opencv-机器学习章节介绍

概念

1.机器学习：训练样本，特征，分类器。最需要的是特征。

2.深度学习：海量的训练数据，神经网络。最需要的是样本多一些。

特征

Hear特征一般是人脸检测用到的

Hog特征一般是物体检测用到的

分类器

特征提取完成之后如何判决，这就是我们的分类器

区别

区分ios和安卓系统？

机器学习可以进行特征提取，ios 三个字母，Android 七个字母。这就是一种特征上的差别

单词的个数（特征） num判决（分类器） 这就可以是一个简单的分类器。

深度学习: 神经网络训练自己抽取特征，有可能把更多特征抽取出来。

我们并不知道深度学习的神经网络抽取了什么样的特征（可能是logo，可能是外观），进行最终判别。

机器学习的过程

样本准备：比如视频获取样本。

获取机器学习的特征

用分类器对于机器学习的特征进行分类

Hear特征

Haar特征主要用于人脸识别上，它在人脸识别上的概率非常的高，已经可以达到商用。

Hear特征是有一系列模板构成，有基础类型，核心类型，所有类型，通过这些模板就可以对Hear特征进行计算

Hear特征公式（三个公式一样）：

Haar特征遍历：

我们并不知道人脸位于我们图像的哪个位置，所以我们需要使用haar特征进行遍历

另外如果模板不合适，我们自己可以进行调整。

正是由于遍历导致，Hear特征的运算量非常的大，所以外国人想出了一个办法---积分图

运用积分图，我们可以很快的进行运算。

Adabooat分类器

在我们有了特征之后就该使用分类器进行分类，或者说判决。

最后haar特征 + Adaboost 实现人脸识别

haar 由一系列模板组成，adboost分类器分为三级(强分类器，弱分类器，node节点)

Hog特征

Hog由一系列的窗体组成: 蓝色矩形框，红色block模块，绿色的cell模块。我们要计算cell模块中每一个像素的梯度。我们还要计算它的浮值和方向。

根据浮值与方向进行直方图的统计最后得到hog特征。

hog在进行梯度计算的时候同样有一个模板，加上SVM，实现小狮子识别。

机器学习的最后一步，预测或检验特征是否有效。